期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于ASTRA-Net的航天器遥测数据异常检测方法研究
1
作者 邵寒琛 尹溶森 孙波 《传感器技术与应用》 2025年第5期738-749,共12页
随着航天技术的飞速发展,航天器在轨运行的复杂性日益增加,其健康状态的实时监控与异常诊断成为确保任务成功的关键。遥测数据作为航天器运行状态的直接反映,蕴含着丰富的系统信息。然而,海量的多源异构遥测数据也给传统异常检测方法带... 随着航天技术的飞速发展,航天器在轨运行的复杂性日益增加,其健康状态的实时监控与异常诊断成为确保任务成功的关键。遥测数据作为航天器运行状态的直接反映,蕴含着丰富的系统信息。然而,海量的多源异构遥测数据也给传统异常检测方法带来了巨大挑战。本文针对航天器遥测数据中存在的多元性、时序性、非线性及潜在异常模式复杂等特点,提出了一种基于深度学习的自适应时空循环注意力网络(ASTRA-Net)模型,用于实现航天器遥测数据的精准异常检测。ASTRA-Net模型创造性地融合了卷积神经网络(CNN)在局部特征提取方面的优势、双向门控循环单元(BiGRU)在时序依赖建模方面的能力,以及注意力机制(Attention Mechanism)在关键信息加权方面的效能。通过CNN层,模型能够有效捕捉多元遥测数据内部的局部相关性和空间特征;BiGRU层则进一步学习数据在时间维度上的双向依赖关系,增强对时序模式的理解;而引入注意力机制,使得模型能够自适应地关注对异常检测更具判别力的特征和时间步,从而提升了模型的预测精度和异常检测的灵敏度。在此基础上,结合改进的广义自回归条件异方差(GARCH)模型构建动态阈值,实现了对遥测数据异常的精确识别与定位。通过模拟航天器遥测数据进行案例验证,实验结果表明,ASTRA-Net模型在预测精度和异常检测性能上均表现出色,显著优于传统方法,为航天器在轨健康管理与故障诊断提供了新的技术途径。 展开更多
关键词 航天器遥测数据 异常检测 深度学习 卷积神经网络 双向门控循环单元 注意力机制 astra-net
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部